Главное изменение в DeepSeek-V4.1-Flash связано не только с размером, но и с устройством модели. В официальной карточке она описана как Mixture-of-Experts, то есть модель, где для каждого токена активируется часть экспертных блоков, а не вся сеть целиком. Указано 552B backbone parameters. Модель нативно обрабатывает изображения и текст, а ответ строит авторегрессионно: следующий фрагмент текста генерируется на основе уже имеющегося контекста. Для обычного пользователя это означает, что релиз ориентирован не только на переписку или написание текста, но и на запросы, где изображение нужно учитывать вместе с текстовым описанием. При этом подтверждённых сведений о качестве русского языка в источниках нет.
Особенности архитектуры и оптимизации
Архитектура названа Causal Encoder-Decoder. Проще говоря, входная часть и выходная часть устроены несимметрично: 40 слоёв Transformer разделены на 20-слойный causal encoder и 20-слойный decoder. В карточке модели сказано, что глобальный KV-кэш декодера строится из финальных скрытых состояний энкодера, а не из каждого слоя декодера. KV-кэш можно понимать как память о уже прочитанном контексте, которая нужна модели при продолжении ответа. Такой подход позволяет активировать 8B параметров на токен на этапе prefill, когда модель читает вход, и 16B при decode, когда она генерирует ответ. Также описаны SWA Bounded Replay, CSA2 и FP4 main KV caching: вместе они уменьшают объём постоянного и глобального KV-кэша. Для глобального KV-кэша указано 890 байт на токен, примерно четверть от DeepSeek-V4-Flash.
Контекст и работа с памятью
DeepSeek-V4.1-Flash поддерживает контекст до одного миллиона токенов. Это важная граница именно для этой версии: в источнике говорится о поддержке up to one million tokens. В pre-training описано обучение с нуля на мультимодальном корпусе 45T токенов, разреженное внимание на длине последовательности 64K и расширение контекста до 1M tokens на отметке 34T tokens. Разреженное внимание здесь означает, что модель не обязана одинаково подробно сверять каждый фрагмент с каждым другим, а использует выбранные связи. В карточке также упомянута Engram conditional memory на 196B параметров, которая разреженно вызывается через token-based lookup, и DSpark speculative decoding, где черновая генерация проверяется по расписанию уверенности. Эти детали не доказывают сами по себе рост качества или скорости, но показывают, за счёт каких механизмов DeepSeek уменьшает нагрузку на хранение контекста.
Доступ и ограничения модели
Официальная карточка опубликована на Hugging Face и перечисляет варианты использования с Transformers, vLLM, SGLang и Docker Model Runner. Отдельная официальная новость DeepSeek сообщает, что V4.1 Flash синхронно вышла в DeepSeek API: для вызова последней V4.1 Flash нужно использовать имя deepseek-flash. Там же сказано, что старые имена deepseek-v4-flash и deepseek-v4-flash-vision-exp временно маршрутизируются на V4.1 Flash из соображений совместимости, а WorkBuddy, CodeBuddy и OpenCode подключили модель как официальные партнёры. В документации формата промптов указаны многоходовые диалоги, tool calls, thinking modes, числовой reasoning effort 1-100, системные сообщения в середине диалога и перемежающиеся блоки изображений. Важное ограничение: разбор вывода рассчитан на корректно оформленный ответ и не пытается восстановить повреждённый формат, поэтому для продакшена рекомендована дополнительная обработка ошибок.
Источники
Вопросы и ответы
Можно ли считать DeepSeek-V4.1-Flash моделью для русского языка?
В источниках подтверждены работа с текстом и изображениями, генерация текста и длинный контекст, но отдельные данные о качестве или поддержке русского языка не приведены.
